Ada tiga conversation tentang AI yang sering berlangsung di ruangan berbeda.
Tim data bicara kualitas data.
Risk dan legal bicara governance.
HR dan transformation team bicara change management.
Masing-masing merasa topiknya paling penting.
Masalahnya, AI transformation butuh ketiganya pada waktu yang sama.
Data tanpa governance bisa cepat tapi berbahaya.
Governance tanpa change management aman di atas kertas tapi tidak dipakai.
Change management tanpa data menghasilkan employee yang semangat menggunakan sistem yang jawabannya tidak bisa dipercaya.
Ketiganya saling bergantung.
Ini kenapa transformation AI sering terasa lebih berat daripada demo model.
Demo hanya perlu model dan beberapa input.
Production membutuhkan organisasi.
PwC pada 2026 berulang kali menekankan bahwa scaling AI membutuhkan architecture, governance, data, dan workflow redesign yang terintegrasi. BCG juga menyebut keberhasilan agentic AI lebih banyak ditentukan people dan change management daripada algoritma saja.
Kalau perusahaan hanya memperkuat satu sisi, bottleneck pindah ke sisi lain.
Data adalah bahan bakar, tapi “lebih banyak data” bukan strategi
Perusahaan suka berkata:
“Kita punya banyak data.”
Apakah data itu usable?
Pertanyaan lain.
Ada data customer di CRM.
Finance.
Website.
Spreadsheet.
Chat.
Data warehouse.
Semua ada.
Tapi identifier beda.
Freshness beda.
Definition beda.
Permission beda.
AI menerima context yang conflicting.
Jawaban inconsistent.
Jadi problem bukan volume.
Trust.
Source mana authoritative?
Siapa owner?
Kapan update?
Apa definisi customer aktif?
Apa revenue?
Apa status order?
Kalau manusia saja debat, AI juga.
Data strategy untuk AI harus fokus pada data product yang benar-benar dipakai workflow.
Tidak harus seluruh enterprise “AI-ready” dulu.
PwC pada Mei 2026 justru menekankan perusahaan bisa mulai dari high-stakes decision tertentu, menyatukan data yang diperlukan, lalu membangun reusable data product.
Ini jauh lebih realistis.
Jangan menunggu data sempurna.
Tapi jangan scale di atas source yang tidak dipercaya.
Governance bukan dokumen yang muncul setelah pilot
Banyak project punya urutan:
Eksperimen.
Sukses.
Scale.
Baru risk ditanya.
Terlambat.
Governance sebaiknya dirancang dari awal sesuai risk.
Data class.
Model.
Permission.
Human oversight.
Logging.
Evaluation.
Incident.
Tidak semua harus berat.
Use case low-risk bisa punya control sederhana.
High-risk lebih dalam.
Governance yang proporsional membuat scale lebih cepat.
Kenapa?
Karena business tahu jalan.
Tidak perlu negosiasi ulang setiap use case.
Policy yang terlalu umum menghasilkan ambiguity.
“Gunakan AI secara bertanggung jawab.”
Bagus.
Apa artinya untuk agent yang bisa mengirim email?
Apa artinya untuk customer data?
Operating rule harus konkret.
Governance menjadi infrastructure, bukan poster.
Change management bukan sesi sosialisasi
Employee tidak berubah hanya karena menerima email.
“Mulai bulan depan, kita menggunakan AI platform baru.”
Mereka punya workflow.
Habit.
Shortcut.
Fear.
Preference.
Ada yang sudah pakai tool lain.
Ada yang takut salah.
Ada yang tidak percaya output.
Ada yang excited.
Change management harus masuk ke pengalaman sehari-hari.
Role-specific training.
Manager coaching.
Use case template.
Help channel.
Champions.
Feedback.
Recognition.
KPI.
Kalau tool resmi lebih ribet daripada tool pribadi, adoption rendah.
Kalau manager tetap meminta process lama, employee akan melakukan dua kali.
AI plus manual.
Ini worst case.
Transformation menambah kerja.
Change management seharusnya memastikan process lama benar-benar ditinggalkan saat process baru matang.
Kalau tidak, shadow old process hidup selamanya.
Tiga fungsi ini sering punya incentive berbeda
Data team ingin quality.
Risk ingin control.
Business ingin speed.
HR ingin adoption.
Semua valid.
Kalau tidak ada shared outcome, meeting panjang.
Contoh customer onboarding.
Business ingin agent mempercepat.
Data team bilang source belum clean.
Risk ingin human review.
HR ingin training dulu.
Siapa memutus trade-off?
Workflow owner.
Dengan metric.
Target: onboarding dari lima hari ke dua tanpa menaikkan error atau compliance incident.
Sekarang semua fungsi bekerja ke outcome.
Data team tahu data mana critical.
Risk tahu control yang perlu.
Change team tahu user mana.
Shared metric menyatukan.
Transformation gagal kalau fungsi hanya mengoptimalkan domain masing-masing.
Data perfect tapi project never launched.
Governance perfect tapi workflow unusable.
Adoption tinggi tapi output salah.
Balance.
AI membuat data governance terasa lebih dekat ke employee
Dulu data governance terdengar seperti urusan back-office.
Catalog.
Lineage.
Master data.
Sekarang employee langsung merasakan.
Tanya AI tentang customer.
Jawaban salah karena source lama.
Mereka kehilangan trust.
Ini membuat data quality menjadi user experience.
Menarik.
AI bisa menjadi cara perusahaan menunjukkan kenapa data governance penting.
Bukan compliance abstrak.
“Kalau CRM tidak diupdate, agent sales juga salah.”
Sekarang hubungan jelas.
Business punya incentive memperbaiki data.
AI bisa membuat data discipline lebih hidup.
Setiap use case mengungkap dependency.
Tim data sebaiknya menangkap.
Kalau sepuluh agent membutuhkan customer profile yang sama, bangun reusable customer data product.
Jangan sepuluh pipeline.
Governance juga harus machine-readable
Saat AI menjadi agent, policy manual tidak cukup.
Manusia bisa baca PDF.
Agent perlu boundary di system.
Permission.
Allowed tools.
Spending limit.
Data scope.
Action type.
Ini policy as code.
Contoh:
Agent boleh membuat draft purchase order.
Tidak boleh approve lebih dari nilai tertentu.
Boleh membaca vendor list.
Tidak boleh mengakses payroll.
Setiap action logged.
Policy berubah menjadi enforcement.
Ini lebih kuat daripada training saja.
Manusia tetap perlu memahami prinsip.
Tapi system membantu.
Good governance embedded.
Bukan mengandalkan ingatan user.
Semakin autonomous AI, semakin penting governance teknis.
Change management perlu memperhatikan loss, bukan hanya gain
Setiap perubahan kerja menghilangkan sesuatu.
Task yang dikuasai.
Status.
Rutinitas.
Kontrol.
Employee bisa kehilangan bagian identitas.
Misalnya manager yang biasa menjadi approval gate.
AI dan policy baru membuat normal case auto.
Secara efficiency bagus.
Manager mungkin merasa perannya mengecil.
Kalau change program hanya bilang:
“Sekarang kerja lebih mudah!”
Mereka tidak merasa dipahami.
Perlu role redesign.
Apa value baru manager?
Coach.
Exception.
Decision.
Strategy.
Quality.
Perubahan lebih mudah diterima kalau ada future role yang jelas.
Karyawan tidak selalu resist teknologi.
Mereka resist uncertainty tentang dirinya.
Change management harus jujur.
Sebagian task memang hilang.
Skill baru dibutuhkan.
Apa support-nya?
Clarity lebih baik daripada motivational slogan.
Data access dan privacy sering tarik-menarik
AI butuh context.
Governance ingin minimize access.
Keduanya benar.
Solution bukan memberi agent semua data.
Least privilege.
Task-based.
Role-based.
Temporary.
Agent hanya mendapat data yang diperlukan.
Ini architecture.
Misalnya HR assistant yang menjawab policy tidak perlu payroll detail.
Finance agent tidak perlu medical data.
Obvious, tapi enterprise integration bisa accidentally terlalu luas.
Credential service account sering punya permission besar.
AI memperbesar risk karena agent bisa explore.
Data governance harus masuk identity design.
Siapa boleh melihat apa.
AI inherits atau mendapat permission sendiri.
Logging.
Revocation.
Semua perlu.
Data dan governance tidak bisa dipisah.
Change management juga perlu mengajari employee kenapa boundary ada.
Kalau hanya block tanpa explanation, workaround muncul.
Measurement harus mencakup ketiganya
Transformasi sering hanya punya business KPI.
Revenue.
Cost.
Bagus.
Tapi operational health juga perlu.
Data quality.
Model error.
Policy violation.
User adoption.
Override.
Incident.
Training.
Tidak semua menjadi board metric.
Team perlu.
Kalau adoption rendah, change problem.
Kalau adoption tinggi tapi error tinggi, data/model problem.
Kalau outcome bagus tapi policy violation naik, governance problem.
Dashboard membantu diagnosis.
Jangan campur semua jadi satu AI score.
Lihat system.
Transformation adalah system.
Measurement juga.
Tiga capability ini harus berkembang paralel
Perusahaan sering punya maturity yang tidak seimbang.
Data bagus, change lemah.
Governance kuat, data fragmentasi.
Employee enthusiastic, control lemah.
Tidak perlu semuanya level 10 sebelum mulai.
Tapi gap ekstrem akan menjadi constraint.
Bisa gunakan maturity per use case.
Untuk low-risk internal assistant, governance ringan.
Untuk agent pembayaran, ketiga aspek harus matang.
Data harus reliable.
Governance kuat.
User paham exception.
Risk-based investment.
Ini lebih masuk akal daripada program enterprise besar yang mencoba memperbaiki semua sekaligus.
Start where value is.
Build foundation yang reusable.
Iterate.
Jakarta enterprise punya realitas data yang campur
Banyak perusahaan punya sistem modern dan spreadsheet yang sama-sama critical.
CRM global.
ERP besar.
Lalu file Excel dari cabang.
WhatsApp update.
PDF scan.
AI harus hidup di campuran.
Jangan malu.
Mulai dari reality.
Map.
Apa source?
Apa yang harus dirapikan?
Mana yang bisa dipakai?
Change management juga harus mempertimbangkan cara kerja lokal.
Jika orang biasa koordinasi lewat chat, jangan mendesain workflow yang membutuhkan mereka membuka lima portal.
Governance harus usable.
Data architecture harus toleran terhadap transition.
Transformation yang manusiawi tidak pura-pura perusahaan sudah ideal.
Ia membawa organisasi dari kondisi nyata ke kondisi lebih baik.
Satu dari tiga tidak pernah cukup
Data-only transformation menghasilkan system pintar yang mungkin tidak dipakai.
Governance-only menghasilkan sistem aman yang mungkin terlalu lambat.
Change-only menghasilkan adopsi tinggi dengan risiko dan kualitas yang tidak terkendali.
AI membuat kita perlu menggabungkan disiplin yang selama ini terpisah.
CIO.
CDO.
Risk.
HR.
Business.
Semua punya potongan.
Tidak ada satu function yang punya seluruh jawabannya.
Itu bukan alasan bikin committee besar untuk semua keputusan.
Justru operating model harus membagi role.
Shared outcome.
Clear owner.
Reusable platform.
Risk tier.
Fast path.
AI transformation terbaik sering terasa seperti koordinasi yang akhirnya matang.
Bukan satu terobosan teknologi.
Data memberi AI sesuatu yang layak dipercaya.
Governance memberi batas agar ia bisa dipakai dengan aman.
Change management membuat manusia benar-benar mengubah kebiasaan.
Kalau tiga-tiganya bergerak bersama, AI punya peluang masuk ke operasi dan bertahan.
Kalau salah satu tertinggal, perusahaan akan merasakan symptom-nya cepat.
Jawaban nggak konsisten.
Project stuck.
Employee bypass.
Cost naik.
Trust turun.
Masalahnya mungkin terlihat seperti “AI problem”.
Padahal yang tertinggal sebenarnya salah satu fondasi organisasi.
Itu sebabnya transformasi AI tidak bisa dimiliki satu tim.
Mesinnya mungkin satu.
Perubahannya menyentuh seluruh cara perusahaan bekerja.
Tiga fondasi itu harus tumbuh bersama, secara konsisten.
Bacaan terkait
Artikel ini berada dalam Business Transformation dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Reports dan analisis mendalam.